metrics - 如何计算返回问题答案的简单 IR 系统的准确率、召回率、F1score？

Question

我开发了一个 IR 系统，它通过在数据库中应用一些搜索技术来返回用户问题的答案。我想用 f1-Score 评估它的性能，但由于结果的可能状态可能是正确或错误的答案，我对 TP、TN、FP、FN 会是什么感到有点困惑。有任何想法吗？或者更合适的测试？